Distribuciones Disc. 2019 (Ing. Ind.)

Lic.
Vicente Sánchez y Ramírez

Distribuciones discretas
___________________________________________________________________________________________
3. DISTRIBUCIONES DISCRETAS
3.1 Introducción.
En esta unidad se realiza el estudio de ciertas distribuciones de probabilidad, con

miras a obtener la posibilidad de que ocurra un valor de la variable aleatoria X en un
experimento, para considerarlos como valores probables que ocurra en el futuro.
Además se presenta de manera sencilla como se obtiene la esperanza matemática,
la varianza y la desviación estándar de una variable aleatoria discreta.
El objetivo general de la unidad, es mostrar al alumno algunas de las distribuciones

discretas de probabilidad más comunes, así como su aplicación a situaciones reales,
con el fin de que aprenda a realizar inferencias de lo abstracto a lo concreto.
Dentro de los objetivos particulares se contemplan:
El alumno sabrá distinguir los términos de: variable aleatoria, función de probabilidad,
función de distribución de probabilidad y función de distribución acumulativa de
probabilidad.
El alumno sabrá describir las características más relevantes de las principales

distribuciones discretas.
El alumno sabrá obtener las probabilidades para las principales distribuciones

discretas, mediante su función de probabilidad, la función de distribución acumulativa
de probabilidad y con un software estadístico, con el fin de que le sirvan de
herramienta en la toma de decisiones.
El tema contempla el estudio de las distribuciones de probabilidad: Binomial,

Hipergeométrica, Poisson, Multinomial y Geométrica. Así como aproximación a la
distribución Binomial por la Poisson, aproximación a la distribución Hipergeométrica
por la Binomial y el empleo del software Minitab y Excel en el cálculo de probabilidad
de estas distribuciones.
3.2 Variables aleatorias
3.2.1 Introducción.
En este tema se pretende que el participante conozca las características de las

variables discretas y continuas, así como obtener la probabilidad de un evento
haciendo uso de la función de distribución acumulativa de probabilidad de una
variable aleatoria.
Los subtemas a tratar son: variables discretas y continuas, función de probabilidad,

función de distribución de probabilidad, función de distribución acumulativa de
probabilidad, así como la obtención de la media y la varianza de una variable
aleatoria.
1
Lic. Vicente Sánchez y Ramírez
___________________________________________________________________________________________
.
3.2.2 Variables discretas y continuas.
Una variable es una característica numérica de la población a la que en el

transcurso de un proceso de análisis, se le puede asignar un número ilimitado
de valores. Pudiendo ser estas discretas y continuas.
Una variables aleatoria discreta, es variable porque puede tomar diferentes

valores, es aleatoria porque toma valores al azar y es discreta porque solo toma
valores enteros y un número finito o infinito de ellos. Por ejemplo se desea
estimar el número de niños por familia en un municipio, la escala de medida
empezará en cero para indicar la ausencia de niños, y se irá incrementando de
uno en uno hasta llegar a 3 o quizá 5 para incluir casos extremos.
Observe que al pasar de un valor de la escala al siguiente, utilizamos números

enteros y no fraccionarios, así la familia puede tener 0, 1, 2,....., X niños.
La característica básica de las variables discretas es la igualdad entre sus

unidades contables. En este sentido si estamos estudiando el número de niños por
familia, todos los niños son iguales pues cada uno representa una unidad contable.
Las observaciones obtenidas a través de variables discretas son siempre exactas si

se ha empleado el procedimiento de cómputo adecuado.
Como ejemplos de variables discretas tenemos:
 El número de personas en una conferencia.

 El total de nacimientos en una ciudad.
 El número de empleados en una fábrica.
 El total de glóbulos blancos en un cm2.
 La cantidad de tornillos producidos por una máquina.
 El número de defectos que presenta cierto artículo, etc.
Una variable aleatoria continua, es variable porque puede tomar diferentes valores,
es aleatoria porque los valores que toma son totalmente al azar y es continua porque
puede tomar valores enteros como fraccionarios y un número infinito de ellos,
dependiendo del instrumento de medición.
Es importante señalar que así como la medida de las variables discretas es siempre
exacta, las medidas de las variables continuas son siempre aproximadas.
Por ejemplo si medimos la estatura de algún individuo, cualquier medida observada

es inexacta, porque siempre podemos imaginar una escala de medida más exacta
que la anterior. Así si a una persona la medimos y nos da una altura de 1.72 m. con
una regla que está calculada para proporcionar lecturas con un error de  1 cm.,
podemos tener menor error con una regla cuya escala de error sea de  0.5 cm., y
aun así, no sería suficiente porque siempre podremos construir o imaginar otras
escalas con mayor precisión.
2
___________________________________________________________________________________________
La característica básica de las variables continuas es la igualdad de sus unidades
de medida. Por ejemplo si empleamos el centímetro como unidad de medida, ésta
unidad permanecerá idéntica a través de toda la escala.
Como variables continuas tenemos la longitud, velocidad, tiempo, peso, temperatura,

etc. A manera de ejemplo citaremos:
 La lectura de la temperatura en un termómetro.

 El número de libras de presión de un neumático.
 La altura de la torre latinoamericana.
 La superficie sembrada de cítricos en algún lugar.
 La cantidad de energía eléctrica que consume una máquina en una jornada de
trabajo, etc.
3.2.3 Variables aleatorias y distribuciones discretas de probabilidad.
Se dice que una variable aleatoria X es discreta si el número de valores que puede
tomar es exacto (ya sea finito o infinito).
En la mayoría de los experimentos de tipo repetitivo, y sobre todo en los de la vida

real no interesan todos los posibles resultados del experimento, sino solamente
algunos de ellos, esto implica la introducción de variables aleatorias. Por lo general
se escoge a la letra X para denotar una variable aleatoria.
Para ilustrar la noción de una variable aleatoria, considérese el experimento de

lanzar tres veces al aire una moneda, donde el interés se centra en el total de águilas
que se obtienen; o sea la variable aleatoria X queda definida por el número de
águilas que aparezcan. Por lo tanto el espacio muestral para cada valor de X es:
AAA AAS ASA SAA ASS SAS SSA SSS

3 2 2 2 1 1 1 0
Observe que la variable aleatoria X solo puede tomar los valores 0, 1, 2, y 3 pero no
más valores.
3.2.4 Función de probabilidad de la variable aleatoria X.
La función de probabilidad P(x) de la variable aleatoria X, proporciona la

probabilidad de que suceda el evento X. por ejemplo:
P (0)  P(X=0) = 1/8

P (1)  P(X=1) = 3/8
P (2)  P(X=2) = 3/8
P (3)  P(X=3) = 1/8
Ahora estos eventos compuestos ya pueden tratarse como eventos simples en el
nuevo espacio de muestreo, con solo cuatro puntos.
3
___________________________________________________________________________________________
3.2.5 Función de distribución de probabilidad de la variable aleatoria X.
La Función de distribución de probabilidad de la variable aleatoria X, relaciona

los valores que toma la variable aleatoria X con sus probabilidades correspondientes
y puede presentarse por medio de una tabla, gráfica o fórmula.
TABLA
Xi 0 1 2 3
P(x i) 1/8 3/8 3/8 1/8
GRÁFICA
P Histograma Gráfica de líneas

r
o
b 3/8 3/8
a
b
i
l 2/8 2/8
i El val
d 1/8 1/8
a
d
0 1 2 3 x 0 1 2 3 x
FÓRMULA
Yˆ  0.125  0.375 x  0.125 x 2
El valor de x = 0 en las gráficas debería de coincidir con el cruce de los ejes de

coordenadas, por cuestiones de tipo didáctico en las gráficas se sitúa a la derecha
del mismo.
3.2.6 Función de distribución acumulativa de la variable aleatoria X.
La función de distribución acumulativa F(x), proporciona la probabilidad de que la

variable aleatoria X sea menor o igual a un valor específico de x.
F (x)  P(X  x) =  P( x )
xi  x
i
Del histograma anterior puede obtenerse la función de distribución acumulativa de X

de la siguiente forma:
4
___________________________________________________________________________________________
F (0)  P(X  0) = 1/8

F (1)  P(X  1) = 4/8
F (2)  P(X  2) = 7/8
F (3)  P(X  3) = 1
Observe qué:
P (X > 2) = 1 – P (X  2) = 1 – F (2) = 1/8

P (X = 1) = P (X  1) – P (X  0)
= F (1) – F (0) = 3/8
P (1  X  2) = P (X  2) – P (X  0)
= F (2) – F (0) = 6/8
P (X < 2) = P (X  1) = F (1) = 4/8
3.2.7 Esperanza de la variable aleatoria X.
En una población, la media aritmética es una medida de tendencia central que se

ubica por lo general en el centro de los datos. De igual forma para describir las
características de una distribución de probabilidad, es necesario conocer alguna de
sus medidas de tendencia central, siendo la más importante la media de la variable
aleatoria X, la cual se simboliza por la letra griega µ y se denomina como valor
esperado, por ser el valor que se espera ocurra más veces, E(X) y se define como:
E ( X )     ( X i P ( X i ))
Donde:
E (x) = valor esperado de X.
 = media de X.
P (xi) = probabilidad de Xi
 = letra griega que simboliza suma.
En el ejemplo que nos ocupa la media de la variable aleatoria X es:
E (x) =  = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 1.5
Lo anterior indica que si se lanzan tres monedas al aire una sola vez, es de
esperarse que caigan 1.5 águilas.
Si verificamos este valor en el histograma de la función de distribución de la variable

aleatoria X, podemos comprobar que ciertamente 1.5 se encuentra a la mitad de los
datos.
3.2.8 Varianza y desviación estándar de la variable aleatoria X.
5
___________________________________________________________________________________________
En una población, la varianza es una medida de dispersión que nos cuantifica el
alejamiento de los datos con respecto a su promedio. De igual manera en una
distribución de probabilidad la varianza de la variable aleatoria X, mide la desviación
que toma la variable X con respecto al valor esperado . Su cálculo se hace a partir
de:
V ( X )   2   ( X i2 P ( X i ))   2
Donde: V(X) =  2 = varianza de X.

La desviación estándar de la variable aleatoria discreta X, es la raíz cuadrada de la
varianza de X y se denota por:
  V X 
Continuando con nuestro ejemplo la varianza de la variable aleatoria número de

águilas que aparezcan es:
Calculemos primero E(X2) o sea:
(X i
2
P ( X i ) = 02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8) = 3.
Si  = 1.5, por lo tanto la varianza será:
V(X) =  2
= 3 – 1.52 = 0.75
La dispersión esperada alrededor de la media es de 0.75 = ¾ águilas 2.

La desviación estándar se define por:
  VX   0.75  0.866 águilas.
3.3 Distribución binomial.
Cuando los ensayos que componen un experimento son independientes, o sea que
el resultado de un ensayo no afecta al resultado que se obtiene en cualquier otro
ensayo, además cuando la probabilidad de éxito en cada ensayo es independiente y
donde el experimento tenga solo dos resultados posibles, podemos decir que se trata
de la distribución binomial.
La distribución binomial es una de las funciones discretas de probabilidad más

empleadas, ya que la podemos aplicar en control de calidad, ventas, mercadotecnia,
encuestas de opinión etc. Imagínese un experimento en el que el resultado es la
ocurrencia o la no ocurrencia de un evento, donde la ocurrencia del evento será el
“éxito” y la no ocurrencia el “fracaso”.
6
___________________________________________________________________________________________
Esta distribución se utiliza cuando el experimento solo presente dos tipos de
resultados, “éxito” y “fracaso”, la probabilidad de éxito permanezca constante durante
cierto tiempo y los ensayos son independientes entre sí.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
Dentro de los objetivos particulares se encuentran:
El participante conocerá las principales características de la distribución binomial.
El participante obtendrá la probabilidad de un evento empleando: la función de

probabilidad, la función de distribución acumulativa de probabilidad y el empleo del
software Excel y Minitab
Los temas a cubrir para esta distribución de probabilidad son: función de probabilidad
de la distribución Binomial, características de esta distribución, manejo de la tabla de
distribución acumulativa, resolución de ejercicios y problemas propuestos.
3.3.2 Función de probabilidad de la distribución binomial.
Llamemos p la probabilidad de éxito cada vez que el experimento se lleva a cabo y q

= 1 – p la probabilidad de fracaso, el término “éxito” o “fracaso” son meras etiquetas,
bien podríamos decir sirve o no sirve.
Suponga que el experimento se realiza n veces, y cada uno de estos es

independiente de todos los demás, y sea X la variable aleatoria que representa el
número de éxitos en los n ensayos. El interés está en determinar la probabilidad de
obtener exactamente X = x éxitos durante los n ensayos. Las suposiciones claves
para la distribución binomial son:
1. Cada ensayo tiene únicamente dos resultados posibles “éxito y fracaso”.

2. La probabilidad de éxito p permanece constante para cada ensayo.
3. Los n ensayos son independientes entre sí.
Ejemplo. Sea un proceso de manufactura que produce un determinado artículo, en el

que algunas unidades se encuentran defectuosas. Si la probabilidad de unidades
defectuosas producidas en este proceso es constante durante un periodo
razonable y, si como procedimiento de rutina se selecciona aleatoriamente una
muestra de n artículos, entonces las probabilidades con respecto al número de
artículos defectuosos, pueden hacerse mediante el empleo de la distribución
binomial.
Definición. Sea X una variable aleatoria que representa el número de éxitos en n

ensayos y p la probabilidad de éxitos en cualquiera de estos. Se sabe entonces
que X tiene una distribución binomial con función de probabilidad:
7
___________________________________________________________________________________________
n!
P ( x, n, p )  p x q n x  C xn p x q n x
x!(n  x)!
Donde: x = 0,1,..., n y 0  p  1 para n entero.
3.3.3 Características de la distribución binomial.
En los experimentos que tienen este tipo de distribución, siempre se esperan dos
tipos de resultados, ejemplo: defectuoso, o no defectuoso; pasa, no pasa; con
calidad, sin calidad; etc.
Las probabilidades asociadas a cada uno de estos resultados son constantes, es

decir no cambian.
Cada uno de los ensayos o repeticiones del experimento son independientes entre si.
El número de ensayos o repeticiones del experimento (n) es constante.
La media de la variable aleatoria X se define por  = n p.
La varianza y desviación estándar de la distribución binomial se simbolizan

respectivamente por:  2 = n p q y   npq
Los parámetros que definen la función de distribución de probabilidad de la

distribución binomial son n y p. Estos definen una familia de distribuciones
binomiales, en donde cada miembro tiene una función de probabilidad determinada.
Con el fin de mostrar la influencia de los paramentos n y p en la función de

distribución binomial (forma de la curva), veamos las siguientes figuras:
De estas gráficas podemos deducir que:
a) Cuando n es pequeña y p está cercano a 0 ó 1 los datos no se distribuyen

normalmente.
b) Cuando n es pequeña y p es cercana a 0.5, la distribución tiende a parecerse a

una normal.
c) Cuando n es grande los datos tienden a parecerse a una normal.
8
___________________________________________________________________________________________
Gráfica de Distribución de Probabilidad para n = 5 y p = 0.2
0.40960
0.4
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00640 0.00032
0.0
0 1 2 3 4 5
x

0.40960
0.4
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00032 0.00640
0.0
0 1 2 3 4 5
x

0.35
0.31250 0.31250
0.30
0.25
0.20
fx
0.15625 0.15625
0.15
0.10
0.05 0.03125 0.03125
0.00
0 1 2 3 4 5
x
9
___________________________________________________________________________________________
Para familiarizase con el cálculo de probabilidad mediante la función de probabilidad
Binomial, obtenga las probabilidades para cuando: x = 0,1, 2, 3,…, 6; si el tamaño de
muestra es n = 6 y la probabilidad de éxito es p = 0.2
6!
P (0;6,0.2)  0.2 0.86  0  0.2621
0
0!(6  0)!
6!
P (1;6,0.2)  0.210.86 1  0.3932
1!(6  1)!
6!
P ( 2;6,0.2)  0.2 2 0.8 6  2  0.24576
2!(6  2)!
6!
P (3;6,0.2)  0.2 3 0.86  3  0.08192
3!(6  3)!
6!
P ( 4;6,0.2)  0.2 4 0.86  4  0.01563
4!(6  4)!
6!
P (5;6,0.2)  0.2 5 0.86  5  0.001536
5!(6  5)!
6!
P (6;6,0.2)  0.2 6 0.86  6  0.000064
6!(6  6)!
La función de distribución de probabilidad de los datos anteriores se define por:

0.393216
0.4
0.3
0.262144
0.245760
0.2
fx
0.1 0.081920
0.015360
0.001536 0.000064
0.0
0 1 2 3 4 5 6
x
3.3.4 Manejo de la tabla de distribución acumulativa binomial.
El cálculo de probabilidad de un valor específico se define por:
10
___________________________________________________________________________________________
P (x; n, p) = F (x; n, p) – F (x-1; n, p)
Ejemplo. Encuentre la probabilidad de que x sea exactamente 5 cuando n = 10 y

p = 0.3
P (5; 10, 0.3) = F (5; 10, 0.3) – F (4; 10, 0.3)

= 0.9527 – 0.8497
= 0.1030
Ejemplo. Encuentre la probabilidad cuando x = 4 con n = 6 y p = 0.10
P (4; 6, 0.10) = F (4; 6, 0.10) – F (3; 6, 0.10)

= 0.9999 – 0.9987
= 0.0012
El cálculo de la probabilidad acumulativa hasta un cierto valor queda definido

de la siguiente manera:
P (X  x; n, p) = F (x; n, p)
Ejemplo. Encuentre la probabilidad de que x  4 con n = 10 y p = 0.3
P (x  4; 10, 0.3) = F (4; 10, 0.3)

= 0.8497
Ejemplo. Encuentre la probabilidad de que x < 5 con n = 6 y p = 0.2
P (x < 5) = P (x  4) = F (4; 6, 0.2)

= 0.9984
La probabilidad mayor a un valor específico está dada por:
P (X > x) = 1 - F (x; n, p)
Ejemplo. Encuentre la probabilidad de que x > 2 con n = 10 y p = 0.3
P(x > 2) = P(x  3) = 1- F (2; 10, 0.3)

= 1 - 0.3828
= 0.6172
Ejemplo. Encuentre la probabilidad de que x  3 con n = 8 y p = 0.3
P(x  3) = 1 – P (x  2) = 1 – F (2; 8, 0.3)

= 1 – 0.5518
= 0.4482
La probabilidad para un valor mayor que xi y menor que xj se obtiene por:
P (xi < x < xj) = P (xj – 1) – P (xi)

11
___________________________________________________________________________________________
= F (xj – 1; n, p) – F (xi; n, p)
Ejemplo. Encuentre la probabilidad de que 4 < x < 8, con n =10 y p = 0.20
P (4 < x < 8) = P (x  7) – P (x  4)
= F (7; 10, 0.20) – F (4; 10, 0.20)
= 0.9999 – 0.9672
= 0.0327
Ejemplo. Encuentre la probabilidad de que x  4 y x  6, con n =10 y p = 0.20
P (4  x  6) = P (x  6) – P (x  3)
= F (6; 10, 0.20) – F (3; 10, 0.20)
= 0.9991 – 0.8791
= 0.12
3.3.5 Ejemplos de aplicaciones de la distribución binomial.
Ejemplo 1. En base en experiencia reciente, se sabe que el 5% de los engranes

producidos por una máquina cartell-bill resultaron defectuosos. Si entran seis
engranes seleccionados al azar:
a) ¿Cuál es la probabilidad de tener exactamente dos engranes defectuosos?
En este caso la característica de interés son unidades defectuosas, por lo que p

debe darse en porcentaje de defectos.
Datos:
p = 0.05
q = 1 – 0.05 = 0.95
n=6
P (x = 2)
Empleando la función de probabilidad de la distribución binomial será:
6!
P (2;6,0.05)  0.052 0.956 2  0.0305
2! (6  2)!
Utilizando ahora la función de distribución acumulativa binomial (tablas), la

probabilidad correspondiente es:
P (x = 2) = P (x  2) – P(x  1)
= F (2; 6, 0.05) – F (1; 6, 0.05)
= 0.9978 – 0.9672 = 0.0306
b) ¿Cuál es la probabilidad de tener exactamente cuatro engranes sanos?
Aquí la característica de interés son unidades sanas, por lo que p debe darse en
porcentaje de unidades sanas (0.95) y la probabilidad requerida es P (x = 4)
12
___________________________________________________________________________________________
6!
P ( 4;6,0.95)  0.95 4 0.05 6 4  0.0305
4!(6  4)!
Ejemplo 2. Suponga que el equipo de fut-bol Veracruz, gana cuatro de cinco

partidos cuando juegan como local. Si juega 10 partidos como local durante el
campeonato de liga. Cuál es la probabilidad que gane:
a) Exactamente seis partidos.
Datos:
p = 4 / 5 = 0.8
q = 1 – 0.8 = 0.2
n = 10
P (x = 6)
10!
P (6;10,0.08)  0.8 6 0.2106  0.0881
6!(10  6)!
b) Por lo menos la mitad de sus partidos.
P (x  5) = 1 – P (x  4)
= 1 – F (4; 10, 0.8)
= 1 - 0.0064
= 0.9936
c) De 5 a 8 partidos.
Resolviendo con la función de probabilidad de la distribución binomial.
P (5  x  8) = P (x = 5) + P (x = 6) + P (x = 7) + P (x = 8)
P (5  x  8) = 0.0264 + 0.0881 + 0.2013 + 0.3020 = 0.6178
Resolviendo con la función de distribución acumulativa binomial (tablas).
P (5  x  8) = P (x  8) – P (x  4)
= F (8; 10, 0.8) – F (4; 10, 0.8)
= 0.6242 – 0.0064
= 0.6178
d) ¿Cuál es su promedio esperado de partidos a ganar?
E(x) =  = n p = 10 (0.8) = 8
e) ¿Cuál es su varianza y desviación estándar?
Varianza.  2 = n p q = 10 (0.2) (0.8) = 1.6 juegos2.
13
___________________________________________________________________________________________
Desviación estándar.   n. p.q  10(0.20)0.80  1.26 juegos.
Ejemplo 3. Un fabricante de ciertas piezas para automóviles, garantiza que una caja
de sus piezas contiene como máximo dos defectuosas. Si la caja tiene 20 piezas y la
experiencia ha demostrado que su proceso de manufactura produce el 2% de piezas
defectuosas. ¿Cuál es la probabilidad de que una caja de piezas satisfaga la
garantía?
Una caja satisface la garantía cuando tenga 0, 1 ó 2 piezas defectuosas, por lo tanto
la probabilidad requerida es P (x  2).
Datos:
p = 0.02
q = 0.98
n = 20
P (x  2) = P(x = 0) + P(x = 1) + P(x = 2)
20!
P (0;20,0.02)  0.02 0 0.9820  0  0.6676
0!(20  0)!
20!
P (1;20,0.02)  0.0210.98 20 1  0.273
1!( 20  1)!
20!
P (2;20,0.02)  0.02 2 0.98 20  2  0.053
2!( 20  2)!
P (x  2) = 0.6676 + 0.273 + 0.053 = 0.9936
Este resultado muestra que la garantía del fabricante casi siempre se satisfará.
Ejemplo 4. Todos los días se seleccionan de manera aleatoria 15 unidades de un

proceso de manufactura, con el propósito de verificar el porcentaje de unidades
defectuosas en la producción, con base a información pasada, la probabilidad de
tener una unidad defectuosa es 0.05. La gerencia ha decidido detener la producción
cada vez que una muestra de 15 unidades tenga dos o más unidades defectuosas.
a) ¿Cuál es la probabilidad de que, en cualquier día, la producción se detenga?
Datos:
p = 0.05
q = 0.95
n = 15
P(x ≥ 2)
P(x ≥ 2) = 1 – P (x  1) = 1 - F (1; 15, 0.05)
= 1 - 0.829
= 0.171
14
___________________________________________________________________________________________
b) ¿Cuál es la probabilidad de obtener 5 unidades defectuosas?
15!
P (5;15,0.05)  0.055 0.9510  0.00056
5!(15  5)!
c) ¿Cuál es la probabilidad de obtener de 3 a 6 unidades defectuosas?
P (3  x  6) = P(x  6) – P(x  2)
= F (6; 15, 0.05) – F (2; 15, 0.05)
= 1 – 0.9638
= 0.0362
Ejemplo 5. La probabilidad de que cierto tipo de padres con ojos azul-café tengan un
hijo con ojos azules es de ¼. Si existen seis niños en la familia, encuentre la
probabilidad de que:
a) Más de dos hijos tengan ojos azules.
Para resolver este problema los seis niños deben tratarse como seis intentos
independientes de un evento o sea n = 6, donde la probabilidad de éxito en un solo
intento es p = 0.25 y la probabilidad de fracaso es q = 0.75.
P (x > 2) = P (x ≥ 3) = 1- P (x  2)
= 1 - F (2; 6, 0.25)
= 1 - 0.8306
= 0.1694
Existe muy poca probabilidad de que este tipo de familias tengan tantos hijos con
ojos azules, solamente el 17% de estas familias tienen más de 2 hijos con ojos
azules.
b) Exactamente tres hijos tengan ojos azules.
P(x = 3) = P(x  3) – P(x  2)

= F (3; 6, 0.25) – F (2; 6, 0.25)
= 0.9624 – 0.8306
= 0.1318
c) Seis hijos no tengan los ojos azules.
Esta probabilidad significa que cero hijos tengan ojos azules, por lo tanto la
probabilidad buscada es:
6!
P (0;6,0.25)  0.25 0 0.75 6  0.1780
0! (6  0)!
Otra manera de ver el problema es:
15
___________________________________________________________________________________________
Si la probabilidad de que tenga ojos azules es 0.25, entonces la probabilidad de que
no tenga ojos azules es 0.75. Si replanteamos la pregunta ¿cuál es la probabilidad
de que seis no tengan ojos azules?
En este caso se tendrá que la probabilidad de éxito es p = 0.75 y la probabilidad

solicitada será P (x = 6).
6!
P (6;6,0.75)  0.75 6 0.25 0  0.1780
6!(6  6)!
Ejemplo 6. Los resultados de la elección para presidente de la república en México

en el año de 2012, mostraron que cierto candidato obtuvo el 38 % de los votos. Si se
toma una muestra de 1000 ciudadanos elegidos al azar de entre la población
votante, determine la probabilidad de que obtenga mayoría de votos.
Datos:
p = 0.38
q = 0.62
n = 1000
Como la mayoría de votos se obtiene con 501 sufragios, así que la probabilidad
requerida es P ( x  501)
P ( x  501)  1  P ( x  500)
Resolviendo con Minitab la P ( x  500) tenemos que es uno, por lo que

P ( x  501)  1  1  0
3.3.6 Ejercicios propuestos de la distribución binomial.
1. Rodolfo Benavides, director de control de calidad de la compañía Sanrami se

encuentra realizando su revisión mensual de transmisiones automáticas. En el
procedimiento, se retiran 10 transmisiones de la pila de componentes y se les revisa
en busca de defectos de fabricación. A lo largo del tiempo, solo el 2% de las
transmisiones tiene defectos.
a) ¿Cuál es la probabilidad de que la muestra de Benavides contenga hasta dos

transmisiones con defectos de fábrica? R = 0.9991
b) ¿Cuál es la probabilidad de que cinco de las transmisiones elegidas tenga
defectos de fábrica? R = 0.000,00073
2. Amado Nochebuena está a cargo de la sección de electrónica en una tienda

departamental. Se ha dado cuenta de que la probabilidad de que un cliente que
solamente se encuentra curioseando compre algo es de 0.3 suponga que 15 clientes
visitan la sección de electrónica cada hora, encuentre:
a) La probabilidad de que una persona que curiosea compre algo durante una hora
dada. R = 0.0306
b) La probabilidad de que ninguna de las personas que curiosean compre algo
durante una hora dada. R = 0.0047
16
___________________________________________________________________________________________
3. En un proceso de producción con una productividad de miles de piezas diarias, se

tiene que dos de cada 100 piezas son defectuosas. Cada hora se seleccionan 100
piezas de una banda transportadora y se observa si están buenas o defectuosas, el
inspector tiene instrucciones de parar el proceso si la muestra tiene más de u na
pieza defectuosa:
a) ¿Cuál es la probabilidad de que el inspector pare el proceso?

b) ¿Cuál es el número medio de piezas defectuosas que encontrará?
4. Un agricultor que siembra fruta afirma que 1/3 de su cosecha de duraznos ha sido
contaminada por la mosca del mediterráneo. Encuentre la probabilidad de que al
inspeccionar cinco duraznos:
a) Cuatro estén contaminados por la mosca del mediterráneo.

b) Tres duraznos se encuentren sanos.
5. Se sabe que los discos producidos por una empresa salen defectuosos con una
probabilidad de 0.01. La compañía vende los discos en paquetes de diez y garantiza
el reembolso del dinero si más de uno de los diez discos sale defectuoso.
a) ¿Cuál es la proporción de paquetes que se devuelven? R = 0.0042

b) Si alguien compra siete paquetes, ¿cuál es la probabilidad de que devuelva como
mínimo cuatro paquetes? R = 0.00
3.4 Distribución hipergeométrica.
Este tipo de distribución debe ser empleada cuando: la población a investigar sea
relativamente chica, existan k unidades con la característica de interés, el muestreo
se realice sin reemplazo y la probabilidad de éxito no permanezca constante en cada
ensayo.
Supongamos que tenemos una muestra de n unidades en un lote de N unidades, en

la cual hay k unidades defectuosas. Si extraemos una muestra sin reemplazo, las
probabilidades de extraer unidades defectuosas son:
En la primera extracción, la probabilidad de tener una unidad defectuosa es k/N, la

probabilidad de extraer una unidad defectuosa en la segunda extracción será
(k-1) / (N-1) ó (k / (N-1), según que la primera unidad sacada sea o no defectuosa y
así sucesivamente.
17
___________________________________________________________________________________________
Dentro de los objetivos particulares podemos citar:
El participante identificará las principales características de la distribución

hipergeométrica.

probabilidad, la función de distribución acumulativa de probabilidad y mediante el
empleo de Excel y Minitab.
Los temas a cubrir para esta distribución de probabilidad son: función de

probabilidad, características de la distribución hipergeométrica, manejo de la tabla de
distribución acumulativa, resolución de ejercicios y problemas propuestos.
3.4.2 Función de probabilidad de distribución hipergeométrica.
Los criterios para determinar la probabilidad de un número específico de éxito o

fracaso en la distribución hipergeométrica son:
1. Cuando se selecciona una muestra de una población finita sin reposición.
2. Si el tamaño de muestra n es mayor que 5 % del tamaño de la población.
Ante este nuevo caso de muestreo sin reemplazo se tiene una nueva distribución de
probabilidad, llamada hipergeométrica, la cual se define como:
P( x; n, k , N ) 
    C C
k
x
N k
n x
k
x
N k
n x
  N
nC N
n
Para: x = 0, 1, 2,..., n x  k y n - x  N – k. Donde C xk son las

combinaciones de k en x.
3.4.3 Características de la distribución hipergeométrica.
Al realizar un experimento con este tipio de distribución, se esperan dos tipos de

resultados:
k resultados de un total de N se clasifican como éxitos.

N – k artículos se clasifican como fracasos.
Las probabilidades asociadas a cada uno de los resultados no son constantes. (Todo
depende si sale o no sale el artículo con la característica de interés).
Cada ensayo o repetición del experimento no es independiente de los demás.
18
___________________________________________________________________________________________
El número de repeticiones del experimento n es constante.
La media de la distribución hipergeométrica se define por E (x) =  = n (k / N).
La varianza de la distribución hipergeométrica se obtiene por:
 k  k  N  n 
V ( x)   n 1   
 N  N  N  1 
Los parámetros que definen esta función de distribución son: n, N y k.
3.4.4 Manejo de la tabla de la distribución acumulativa hipergeométrica.
La probabilidad para un valor específico se define por:
P(x; n, k, N) = F(x; n, k, N) – F(x - 1; n, k, N)
Ejemplo. Un lote de 10 artículos contiene tres defectuosos, si se obtiene una muestra

aleatoria sin reemplazo encuentre:
a) La probabilidad de obtener dos unidades defectuosas en una muestra de cuatro.
Datos:
N = 10
n=4
k=3
P(x = 2)
P (2; 4, 3, 10) = F (2; 4, 3, 10) – F (1; 4, 3, 10)
= 0.9667 –0.6667
= 0.3
b) La probabilidad de que cuatro artículos no estén defectuosos en una muestra de

seis. Si 4 no están defectuosos tienen que estar defectuosos 2.
Datos: n=6
P(x = 2)
P (2; 6, 3, 10) = F (2; 6, 3, 10) – F (1; 6, 3, 10)

= 0.8333 – 0.3333
= 0.5
El cálculo de la probabilidad acumulativa hasta cierto nivel queda definido de

la siguiente manera:
P (X  x; n, k, N) = F (x; n, k, N)
19
___________________________________________________________________________________________
Ejemplo. Un lote de 10 artículos contiene dos defectuosos, si se toma una muestra
aleatoria de 4 de ellos, ¿cuál será la probabilidad de obtener cuando más un artículo
defectuoso?
P(x  1) = F (1; 4, 2, 10)

= 0.8667
La probabilidad mayor a un valor específico esta dada por:
P(X > x) = 1 - F(x; n, k, N)
Ejemplo. Se tiene un lote de 10 artículos de los cuales hay tres defectuosos, si se

toma una muestra aleatoria de cinco de ellos, ¿cuál será la probabilidad de obtener
más de dos unidades defectuosas?
P (x > 2) = P (x  3) = 1 – F (2; 5, 3, 10)

= 1 - 0.9167
= 0.0833
3.4.5 Ejemplos de aplicación de la distribución hipergeométrica.
Ejemplo 1. En una línea de producción, la semana pasada se ensamblaron 50

artículos de los cuales 10 tuvieron al menos un defecto. Si se selecciona una
muestra al azar de tamaño n = 5, ¿cuál es la probabilidad de que cuatro funcionen
correctamente?
Datos:
N = 50
n=5
k = 40
P(x = 4)
C 440 C550 4 40
P (4;5,40,50)   0.4313
C550
Lo que significa que es poco probable que cuatro artículos funcionen correctamente.
Ejemplo 2. Se tienen 50 representantes de cierto estado a una convención nacional,

de los cuales 30 apoyan al candidato A y 20 al candidato B. Si se selecciona
aleatoriamente una muestra de cinco representantes, ¿cuál es la probabilidad de
que, entre estos cinco, por lo menos dos apoyen al candidato A?
Datos:
N = 50
n=5
k = 30
P(x ≥ 2)
P(x ≥ 2) = 1- P(x  1)
20
___________________________________________________________________________________________
P(x ≥ 2) = 1- [P (0; 5, 30, 50) + P (1; 5, 30, 50)]
C030C550 0 30
P (0;5,30,50)   0.007317
C550
C130C5501 30
P (1;5,30,50)   0.0686
C550
P(x ≥ 2) = 1 - (0.007317 + 0.0686) = 0.92408
Ejemplo 3. Un fabricante recibe un lote de 40 motores de los cuales selecciona ocho

al azar. Si encuentra que ninguno de los motores presenta serios defectos, acepta el
lote, de otra forma lo rechaza. Si el lote contiene dos motores con defectos, ¿cuál es
la probabilidad de que sea aceptado?
Datos:
N = 40
n=8
k=2
P (x = 0)
C02C838
P (0;8,2,40)   0.6359
C840
La probabilidad de aceptar el lote es de 0.64 si contiene dos defectuosos.
Si un vendedor sabe que su producto pasará por una selección que verifica la
calidad, debe poner en marcha en su fábrica un control de calidad intencionado con
el propósito de minimizar el número de lotes rechazados.
Ejemplo 4. En un departamento de inspección de envíos se reciben en forma

periódica lotes de ejes de bombas. Los lotes contienen 100 unidades y el siguiente
plan de muestreo de aceptación se utiliza. Se selecciona una muestra aleatoria de
10 unidades sin reemplazo. El lote se acepta si la muestra no tiene más de un
artículo defectuoso. Suponga que se recibe un lote que tiene cinco defectuosos.
¿Cuál es la probabilidad de que sea aceptado?
Datos:
N = 100
n = 10
k=5
P (x  1)
P(x  1) = P(x = 0) + P(x =1)
C05C1095
P (0;10,5,100)  100  0.5837
C10
21
___________________________________________________________________________________________
C15C995
P (1;10,5,100)  100  0.3394
C10
P(x  1) = 0.5837 + 0.3394 = 0.9231
3.4.6 Ejercicios propuestos de la distribución hipergeométrica.
1. Para evitar que lo descubran en la aduana, un viajero ha colocado nueve tabletas

de narcótico en una botella que contiene doce píldoras de vitamina que son similares
en apariencia. Si el oficial de la aduana selecciona tres tabletas de manera aleatoria
para analizarlas.
a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de

narcóticos?
b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?
2. a) ¿Cuál es la probabilidad de que una mesera se rehúse a servir bebidas

alcohólicas únicamente a dos menores de edad si verifica aleatoriamente solo cinco
identificaciones de entre nueve estudiantes, de los cuales cuatro no tienen la edad
suficiente? b) ¿Cuál es la probabilidad de que como máximo dos de las
identificaciones pertenezcan a menores de edad? R a = 0.4762 y Rb = 0.6428
3. Una compañía manufacturera utiliza un esquema para la aceptación de los

artículos producidos antes de ser embarcados. El plan es de dos etapas. Se
preparan cajas de 30 para embarque y se selecciona una muestra de cinco para
verificar si tienen algún artículo defectuoso. Si se encuentra uno, la caja se regresa
para verificarla al 100%. Si no se encuentra ningún artículo defectuoso, la caja se
embarca.
a) ¿Cuál es la probabilidad de que se embarque una caja que tiene tres artículos
defectuosos?
b) ¿Cuál es la probabilidad de que una caja que contiene solo un artículo defectuoso
se regrese para verificación?
4. Un lote contiene 150 piezas de un proveedor de tubería local y 300 unidades de un

proveedor de tubería del estado vecino. Si se seleccionan cinco piezas al azar y sin
reemplazo.
a) ¿Cuál es la probabilidad de que todas sean del proveedor local?

b) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor del estado vecino?
3.5 Distribución Poisson.
22
___________________________________________________________________________________________
La distribución Poisson es llamada así en homenaje a Simeón Denis Poisson
probabilista francés del siglo XIX, quien fue el primero en descubrirla.
Es una función discreta de probabilidad muy útil, en la que la variable aleatoria

representa el número de eventos independientes que ocurren a una velocidad
constante en el tiempo o el espacio. Algunos ejemplos son: el número de llamadas
por hora que se reciben en una oficina, el número de errores cometidos en una hoja
por una secretaria, el número de bacterias en un cultivo, etc.
La distribución Poisson es el principal modelo de probabilidad empleado para

analizar problemas en líneas de espera. Además ofrece una aproximación excelente
a la función de probabilidad binomial cuando p es pequeño y n es grande.
El participante identificará las principales características de la distribución Poisson.

probabilidad, la función de distribución acumulativa de probabilidad y mediante el
empleo de Excel y Minitab.
Los temas a cubrir para esta distribución de probabilidad son: Función de

probabilidad de la distribución Poisson, características de esta distribución, manejo
de la tabla de distribución acumulativa, resolución de ejercicios y problemas
propuestos.
3.5.2 Función de probabilidad de la distribución Poisson.
Para que un experimento se considere como Poisson se debe tomar en cuenta lo

siguiente:
1. La probabilidad de exactamente una ocurrencia es la misma en el intervalo

continuo.
2. La probabilidad de dos o más ocurrencias en un intervalo suficientemente corto,

es aproximadamente cero.
3. La ocurrencia de un evento en un punto. Es independiente de las ocurrencias en

otros puntos.
Definición. Sea X una variable aleatoria que representa el número de eventos

aleatorios independientes que ocurren a una rapidez constante sobre el tiempo o el
espacio. Se dice entonces que la variable aleatoria X tiene una distribución de
Poisson con función de probabilidad dada por:
23
___________________________________________________________________________________________
e   x
P ( x,  ) 
x!
Para x = 0,1, 2,… y   0.
Donde el parámetro  = np, es el promedio de eventos por unidad de tiempo o

espacio, n el tamaño de muestra y p es la probabilidad de éxito.
3.5.3 Características de la distribución Poisson.
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc.
La media y la varianza de la distribución Poisson se define por: E(X) = µ =  = np y

V(X) = σ2 = µ.
El parámetro que define la función de distribución de probabilidad de la distribución

Poisson es .
Se presenta a continuación algunas gráficas de la función de distribución Poisson,

con el fin de ver la influencia del parámetro .
Gráfica de Distribución de Probabilidad para lamda = 1

0.4
0.367879 0.367879
0.3
0.2 0.183940
fx
0.1
0.061313
0.015328
0.003066
0.0
0 1 2 3 4 5
x
24
___________________________________________________________________________________________
0.30
0.270671 0.270671
0.25
0.20
0.180447
fx
0.15 0.135335
0.10 0.090224
0.05 0.036089
0 1 2 3 4 5
x

0.20 0.195367 0.195367
0.156293
0.146525
0.15
0.10
fx
0.073263
0.05
0.018316
0.00
0 1 2 3 4 5
x
Con el fin de familiarizarnos con la distribución Poisson, calculemos las

probabilidades para x = 0,1, 2,. . ., 8, cuando  = 2.2
e 2.2 2.2 0
P (0,2.2)   0.1108
0!
P (1; 2.2) = 0.2438

P (2; 2.2) = 0.2681
P (3; 2.2) = 0.1967
P (4; 2.2) = 0.1081
P (5; 2.2) = 0.0476
P (6; 2.2) = 0.0174
P (7; 2.2) = 0.0055
P (8; 2.2) = 0.0015
La función de distribución de probabilidad para la variable aleatoria X queda definida

por:
25
___________________________________________________________________________________________
Función de Distribución de Probabilidad para lamda = 2.2

0.30
0.268144
0.243767
0.25
0.196639
0.20
0.15
fx
0.110803 0.108151
0.10
0.047587
0.05
0.017448
0.005484 0.001508
0.00
0 1 2 3 4 5 6 7 8 9
x
3.5.4 Manejo de la tabla de distribución acumulativa Poisson.
La probabilidad para un valor específico de x en las tablas de probabilidad

acumulativa se define por:
P ( X  x )  F ( x;  )  F ( x  1;  )
Ejemplo. Sea  = 2.5, encuentre la probabilidad de que x sea igual a 4.
P (x = 4) = F (4; 2.5) – F (3; 2.5)

= 0.8912 – 0.7576
= 0.1336
La probabilidad de que una variable aleatoria X sea  a un valor específico de x,

se define por:
P( X  x)  F ( x;  )
Ejemplo. Sea  =3.5, encuentre la probabilidad de que x sea menor o igual a 3.
P ( x  3)  F (3;3.5)  0.5366
La probabilidad mayor a un valor específico está dado por:
P ( X  x )  1  F ( x;  )
Ejemplo. Encuentre la probabilidad de que x > 5, con  = 3.7
P ( x  5)  P ( x  6)  1  F (5;3.7)
= 1 - 0.8301
= 0.1699
26
___________________________________________________________________________________________
3.5.5 Ejemplos de aplicación de la distribución Poisson.
Ejemplo 1. La central camionera Roma recibe en promedio 30 autobuses por hora.

Si se observa la llegada de los autobuses durante cinco minutos, ¿cuál es la
probabilidad de que?
a) No llegue ningún autobús.
La probabilidad de que llegue un autobús por minuto es p = 30 / 60 = 0.5; por lo que

se espera que en cinco minutos llegue en promedio  = np o sea  = 5 (0.5) = 2.5
Datos:
 = 2.5
P (x = 0)
e 2.5 2.5 0
P (0,2.5)   0.0821
0!
b) Lleguen dos autobuses.
P (x = 2)
e 2.5 2.5 2
P ( 2,2.5)   0.2565
2!
c) ¿Cuál será el número promedio de autobuses que llegarán en cinco minutos?
    np  5(0.5)  2.5
Ejemplo 2. A una constructora llegan camiones de carga a una razón media de 2.8
camiones por hora. Obtenga la probabilidad de tener tres o más camiones que
lleguen en un:
a) Lapso de 30 minutos.
2.8 camiones / 60 minutos = 0.04666 camiones por minuto = p. Por lo tanto los
camiones promedio que llegarán en 30 minutos es  = 30(0.04666) = 1.4
Datos: n = 30
 = 1.4
P (x  3)
P ( x  3)  1  P ( x  2)
P ( x  3)  1   P ( x  0)  P ( x  1)  P ( x  2)
e 1.41.40
P (0,1.4)   0.2466
0!
e 1.41.41
P (1,1.4)   0.3452
1!
27
___________________________________________________________________________________________
e 1.41.4 2
P ( 2,1.4)   0.2417
2!
P ( x  3)  1   0.2466  0.3452  0.2417

P ( x  3)  1  (0.8335)  0.1665
b) Lapso de una hora.
Datos:
 = 2.8
P (x  3)
P ( x  3)  1  P ( x  2)
P( x  3)  1   P( x  0)  P( x  1)  P( x  2)
P ( x  3)  1  (0.0608  0.1703  0.2384)
P ( x  3)  0.5305
c) Lapso de dos horas.
2.8 camiones entre una hora es igual a 2.8 que es igual a p. Entonces tenemos que
 = 2.8 (2) = 5.6
Datos:
 = 5.6
P (x  3)
P ( x  3)  1  P ( x  2)
P( x  3)  1   P( x  0)  P( x  1)  P( x  2)
P( x  3)  1  (0.0037  0.0207  0.0580)
P ( x  3)  0.9176
Ejemplo 3. Considere el caso de una compañía pesquera de la costa de Nueva

Inglaterra, la cual opera un avión de exploración para hallar cardúmenes de salmón
que se encuentran ubicados al azar en el norte del Océano Atlántico, habiendo, en
promedio un cardumen por cada 100,000 millas cuadradas de mar. En un día
especificado, el avión puede volar 1,000 millas, explorando de modo efectivo una
distancia lateral de cinco millas del lado izquierdo y cinco del lado derecho.
¿Cuál es la probabilidad de hallar al menos un cardumen de salmón durante tres

días de búsqueda?
Aquí tenemos que la probabilidad de encontrar cardúmenes es p = 1 / 100,000 =
0.00001 de cardúmenes por milla cuadrada.
El avión puede explorar una superficie de 1,000 millas por 10 de ancho por 3 días
(1000 X 10 X 3) = 30,000 millas cuadradas.
Si replanteamos la pregunta será; ¿cuál es la probabilidad de hallar al menos un

cardumen de salmón en 30,000 millas cuadradas?
Si sabemos que  = np, entonces  = 30,000 (0.00001) = 0.3 y la probabilidad

requerida será P (X ≥ 1)
28
___________________________________________________________________________________________
P ( x  1)  1  P ( x  0)
e 0.3 0.30
P ( x  1)  1 
0!
P ( x  3)  1  0.7408  0.2592
Ejemplo 4. En un oleoducto ocurren dos fugas por cada 100 millas. ¿Cuál es la
probabilidad de hallar?
a) Siete fugas en un tramo de 500 millas.
La probabilidad de obtener una fuga por milla es de p = 2 / 100 = 0.02. Por lo tanto el
número promedio de fugas en las 500 millas será  = 500 (0.02) = 10.
Datos:
 = 10
P (x = 7)
e 10107
P ( x  7)   0.0901
7!
b) Al menos 20 fugas en un tramo de 500 millas.
P ( x  20)
P ( x  20)  1  P ( x  19)
P ( x  20)  1  F (19;10)
P( x  20)  1  0.9965  0.0035
Ejemplo 5. Del primero de diciembre de 2004 al 30 de abril de 2005, en la zona norte

del Estado de Veracruz ocurrieron tres explosiones en los ductos de PEMEX. ¿Cuál
fue la probabilidad de que ocurrieran al menos dos desastres en los próximos seis
meses?
La probabilidad de obtener una explosión por mes es p = 3 / 5 = 0.6. Por lo tanto el

número promedio de explosiones a tener en seis meses es  = 6 (0.6) = 3.6. Y la
probabilidad solicitada es P (x ≥ 2).
P( x  2)  1  P ( x  1)
P( x  2)  1   P( x  0)  P( x  1)
P ( x  2)  1  (0.0273  0.0984)
P ( x  2)  0.8743
Esta es una probabilidad alta, la cual debería ser tomada muy en cuenta.
3.5.6 Ejercicios propuestos de la distribución Poisson.
29
___________________________________________________________________________________________
1. Entre las 2 y las 4 de la tarde, el número promedio de llamadas telefónicas por
minuto que entran al conmutador de una empresa es de 2.5. Encuentre: a) La
probabilidad de que en un minuto haya 2 llamadas telefónicas. b) La probabilidad de
que en 2 minutos haya 3 llamadas telefónicas. Ra = 0.2565, Rb = 0.1404
2. En la inspección de hojalata producida por un proceso electrolítico continuo, se

identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar: a) Una imperfección en tres minutos. b) Al menos dos imperfecciones
en cinco minutos. c) Cuando más una imperfección en 15 minutos. R a = 0.3293, Rb
= 0.2642 y Rc = 0.1992
3. Se sabe que el 5% de los libros encuadernados en cierto taller tienen

encuadernaciones defectuosas. Determine la probabilidad de que dos de 100 libros
encuadernados en ese taller, tengan encuadernaciones defectuosas, usando: a) La
fórmula de la distribución binomial. b) La aproximación de Poisson a la distribución
binomial. Ra = 0.0812 y Rb = 0.0842
4. Un fabricante de maquinaria pesada tiene instalados en el campo 4,000

generadores de gran tamaño con garantía especificada. Sí la probabilidad de que
cualquiera de ellos falle durante el año dado es de 2/1200, determine la probabilidad
de que: a) Cuatro generadores fallen durante el año en cuestión. b) Que más de un
generador falle durante el año en cuestión.
5. En un proceso de manufactura, en el cual se producen piezas de vidrio, ocurren

defectos o burbujas, ocasionando que la pieza sea indeseable para la venta. Se sabe
que en promedio una de cada 1,000 piezas tiene una o más burbujas. ¿Cuál es la
probabilidad de que en una muestra aleatoria de 8,000 piezas, menos de tres de
ellas tengan burbujas? R = 0.013766
6. El volcán Lakie en Islandia hizo erupción por última vez en abril de 2010,
paralizando los vuelos de toda Europa y trayendo como consecuencia enormes
pérdidas económicas. Si este volcán hace erupción en promedio una vez cada cinco
años, obtenga:
a) La probabilidad de que haga dos erupciones en los próximos seis años.
b) La probabilidad de que haga tres o más erupciones en los siguientes ocho años.
3.6 Aproximación a la distribución binomial por la Poisson.
A menudo es útil aproximar una distribución con otra, en particular cuando la

aproximación se puede manejar con más facilidad.
Una regla práctica aceptable al usar la distribución Poisson para hallar

probabilidades binomiales es cuando n es grande y p pequeño, entre mayor sea n
y menor sea p, tanto mejor la aproximación.
Ejemplo 1. Un comprador de circuitos integrados, ha puesto como política aceptar

un envío si se toma una muestra aleatoria de 100 circuitos provenientes del lote. Si el
30
___________________________________________________________________________________________
comprador encuentra no más de dos circuitos defectuosos, acepta el lote, de otra
forma lo rechaza. Si se envía al comprador un lote que contiene el 1% de circuitos
defectuosos encuentre:
a) La probabilidad de que el lote sea aceptado.
Dado que n = 100 es relativamente grande y p = 0.01 es pequeño, la probabilidad

binomial puede aproximarse mediante la distribución de Poisson, escogiendo a
 = n p; en este caso  = 100 (0.01) = 1.
Datos:
=1
P (x  2)
P (x ≤ 2) = F (2; 1) = 0.9197
Los cálculos que tienen que realizarse para calcular esta probabilidad mediante la
distribución binomial, cuando n = 100, p = 0.01, cuando P (x  2) son:
2
P ( x  2)   Cin 0.01i 0.99ni
i 0
P ( x  2)  0.3360  0.3697  0.1849  0.9206
Valor muy parecido al calculado por la Poisson.
b) La probabilidad de que sea rechazado el lote. Para este caso la probabilidad será
P(x > 2)
P( x  2)  P( x  3)  1  P( x  2)
P ( x  2)  1  F ( 2;1)
P ( x  2)  1  0.9197  0.0803
Ejemplo 2. La probabilidad de que un remache particular en la superficie del ala de

un avión nuevo esté defectuoso es 0.001, si hay 4000 remaches en el ala. ¿Cuál
será la probabilidad de que se instalen no más de seis remaches defectuosos?
Aquí vemos que n es grande y p es pequeño, por lo que podemos aproximar por la
Poisson utilizando a  = 4000 (0.001) = 4.
Datos:
=4
P (x  6)
6
e 4 4 i
P ( x  6)    F (6;4)  0.8893
i 1 i!
Ejemplo 3. Un departamento de contabilidad con 100 empleados, ha encontrado que

la probabilidad de ausencia de cualquiera de sus trabajadores en un tiempo
determinado es de p = 0.036, encuentre la probabilidad de que a lo más cinco
empleados se ausenten durante cierta semana.
31
___________________________________________________________________________________________
Aquí suponemos que n es grande, la probabilidad de ausencia pequeña y que la

ausencia de cualquier empleado es independiente de la presencia o ausencia de
cualquier otro. Aunque en éste problema la suposición no podría ser cierta.
Datos:
 = 100(0.036) = 3.6
P (x  5)
P (x  5) = F (5; 3.6)
= 0.8441
3.7 Aproximación a la distribución hipergeométrica por la binomial.
En la mayoría de los problemas prácticos, el tamaño de la muestra es pequeño en

comparación con el del lote, y la distribución binomial nos da una buena
aproximación a la distribución hipergeométrica. De hecho se puede demostrar que
k
P (x; n, k, N) se aproxima a P (x; n, p) cuando n   y cuando  p permanece
N
constante.
n
La aproximación es excelente cuando la razón es pequeña, digamos menor que
N
k
0.1 y p 
N
Una regla práctica de utilizar la distribución binomial como aproximación a la

hipergeométrica es solo si N ≥ 10n.
Ejemplo 1. Un lote de producción de 200 artículos tiene ocho defectuosos, si se

selecciona una muestra aleatoria de n = 10 unidades, ¿cuál es la probabilidad de que
la muestra contenga exactamente una unidad defectuosa?
Datos:
N = 200
n = 10
k=8
P(x = 1)
Resolviendo por la distribución hipergeométrica tenemos:
C18C1020018
P (1;10,8,200)   0.2878
C10200
32
___________________________________________________________________________________________
n 10
Dado que   0.05 es pequeño, además N ≥ 10n si se cumple (200 ≥ 10(10)),
N 200
nos podemos aproximar por medio de la distribución binomial, considerando a
k 8
p   0.04
N 200
10!
P (1;10,0.04)  0.0410.9610 1  0.2770
1!(10  1)!
Valor muy parecido al calculado por la distribución hipergeométrica.
Ejemplo 2. Se tienen 200 amas de casa de las cuales 40 prefieren el detergente A y

el resto la marca B, si se toma al azar una muestra de 12 de ellas, ¿cuál es la
probabilidad de que en la muestra, tres de ellas prefieran el detergente A?
Datos:
N = 200
n = 12
k = 40
P(x = 3)
Resolviendo por la hipergeométrica tenemos:
C340C9160
P(3;12,40,200)   0.243614
C12200
Para la resolución de este algoritmo nos encontramos que N es grande, lo que

ocasiona que su cálculo sea un poco complicado. Dado que la condición de que
N ≥ 10n y (200 ≥ 10(12)) nos podemos aproximar por medio de la binomial,
40
definiendo a p   0.20 de la siguiente manera:
200
Datos:
n = 12
p = 0.20
q = 0.80
P(x = 3)
12!
P (3;12,0.20)  0.20 3 0.80123  0.2362
3!(12  3)!
3.8 Distribución multinomial.
Una generalización de la distribución binomial aparece cuando cada prueba puede

tener más de dos casos probables.
33
___________________________________________________________________________________________
Por ejemplo la producción de un artículo se clasifica como superior, medio e inferior;
cuando la calificación de estudiantes se juzga dando la letras A, B, C, D; o cuando un
experimento se juzga terminado con éxito o inconcluso.
Para éste tipo de problemas consideremos el caso de que hay n pruebas

independientes, permitiendo en cada prueba k casos mutuamente excluyentes,
k
cuyas probabilidades respectivas son: p1, p2,..., pk, donde p
i 1
i 1
Llamando a estos casos de 1 a clase, de 2a clase,... y de k-ésima clase. Nos interesa

la probabilidad P (x1, x2,..., xk) de obtener x1 casos de la 1a clase, x2 casos de la 2a
clase,..., xk casos de la k-ésima clase.
El participante identificará las principales características de la distribución Poisson.

probabilidad de ésta distribución y mediante el empleo de Excel y Minitab.

probabilidad de la distribución Multinomial, características de esta distribución,
resolución de ejercicios y problemas propuestos.
3.8.2 Función de probabilidad e la distribución multinomial.
La función de probabilidad de esta distribución se define como:
n!
P ( x1 , x 2 ,..., x k )  p1x1 p 2x2 ... p kxk
x1!, x 2 !,..., x k !
k
Donde: x1 = 0, 1, 2,…; x2 = 0, 1, 2,……, xk = 0, 1, 2,…; y la x
i 1
i n
3.8.3 Características de la distribución multinomial.
k
Dentro de sus principales características podemos citar:
x
x i
i n
Al llevar a cabo un experimento con esta distribución se esperan más de dos tipos de
resultados.
Las probabilidades asociadas a cada uno de los resultados son constantes.

34
___________________________________________________________________________________________
Cada uno de los ensayos o repeticiones del experimento son independientes.
El número de repeticiones del experimento n es constante.
La media y la varianza de Xi, una componente particular son:
E ( X i )    np i V ( X )   2  npi q i
3.8.4 Ejemplos de aplicación de la distribución multinomial
Ejemplo 1. Se fabrican lápices mecánicos por medio de un proceso que implica una
gran cantidad de mano de obra en las operaciones de ensamblado. Éste es un
trabajo altamente repetitivo y hay un pago de incentivo. La inspección final ha
revelado que el 85% del producto es bueno, el 10% defectuoso pero que puede
reelaborarse y el 5% es defectuoso y se desecha. Estos porcentajes se mantienen
constantes en el tiempo.
Si se toma una muestra aleatoria de 20 lápices, hallar la probabilidad de que entre

éstas 20 unidades 18 estén buenos, 2 pueden reelaborarse y 0 sean de desecho.
Datos:
n = 20, x1 = 18, x2 = 2, x3 = 0, p1 = 0.85, p2 = 0.10 y p3 = 0.05
P( xi  18, 2, 0)
20!
P (18,2,0)  0.8518 0.10 2 0.05 0  0.1019
18!2!0!
Ejemplo 2. Si las probabilidades de que en un accidente de un avión produzcan

daños menores, graves y mortales al piloto son 0.20, 0.70 y 0.10 respectivamente;
hallar la probabilidad de que en seis accidentes, el piloto sufra daños mortales en 3
de ellos, sufra daños menores en 1 y sufra daños graves en 2.
Datos:
n = 6, x1 = 1, x2 = 2, x3 = 0, p1 = 0.20, p2 = 0.70 y p3 = 0.10
P ( xi  1, 2, 3)
6!
P (1,2,3)  0.2010.70 2 0.103  0.0059
1!2!3!
Ejemplo 3. Los ladrillos de vidrio defectuosos se clasifican en una fábrica por: que
tengan rupturas, estén decolorados o ambas cosas. Si las probabilidades respectivas
son: 0.50, 0.40 y 0.10 respectivamente, hallar la probabilidad de que 6 de entre 10 de
estos ladrillos tengan rupturas, 3 estén decolorados y 1 presente ambos defectos.
Datos:
n = 10, x1 = 6, x2 = 3, x3 = 1, p1 = 0.50, p2 = 0.40 y p3 = 0.10
P ( xi  6, 3, 1)
35
___________________________________________________________________________________________
10!
P (6,3,1)  0.50 6 0.40 3 0.101  0.0838
6!3!1!
3.8.5 Ejemplos propuestos de la distribución multinomial
1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un

delegado llegue por aire a una cierta convención, llegue en autobús, en automóvil o
en tren respectivamente. ¿Cuál es la probabilidad de que entre nueve delegados
seleccionados aleatoriamente en esta convención?
a) Tres hayan llegado por aire, 3 en autobús, 1 en auto y 2 en tren. R = 0.0077

b) Cuatro hayan llegado por aire, 1 en autobús y 2 en auto. R = 0.0174
c) Cinco hayan llegado en automóvil y cuatro en tren. R = 0.0000306
2. De acuerdo con la teoría de la genética, un cierto cruce de conejillo de indias

resultará en una descendencia roja, negra y blanca en la relación 9: 4: 3. Encuentre
la probabilidad de que entre ocho descendientes:
a) Cinco sean rojos, 2 negros y uno blanco.

b) Tres sean rojos y 2 sean negros.
3. Según una encuesta preliminar acerca del voto que los ciudadanos darán por los
candidatos para gobernador del estado se ha detectado que aproximadamente un
52% votará por el partido verde, un 40% por el partido azul y un 8% por los partidos
restantes, si se seleccionan aleatoriamente seis personas con edad de votar,
determine la probabilidad de que:
a) Dos voten por el partido verde, uno por el azul y tres por el resto de los partidos.
b) Dos voten por el partido verde y cuatro por el azul. R a = 0.0033 y Rb = 0.1038
4. Una agencia que renta automóviles en un aeropuerto, tiene disponibles 5 Ford, 7

Chevrolet, 4 Dodge, 3 Datsun, y 4 Toyota. Si la agencia selecciona aleatoriamente
nueve de estos vehículos para transportar delegados desde el aeropuerto hasta el
centro de convenciones en la ciudad, encuentre la probabilidad de que utilicen: 2
Ford, 3 Chevrolet, 1 Dodge, 1 Datsun y 2 Toyota.
5. En una bodega se tienen 30 computadoras sin defectos, 3 con defectos menores y

2 con defectos mayores. Si se seleccionan cinco computadoras al azar, determine la
probabilidad de que:
a) Dos de las computadoras seleccionadas no tengan defectos y una tenga defectos

menores.
b) Tres de las computadoras seleccionadas no tengan defectos y una tenga defectos
mayores.
3.9 Distribución geométrica.

36
___________________________________________________________________________________________
Esta distribución es un caso especial de la Binomial, ya que se desea que ocurra un

éxito por primera y única vez en el último ensayo que se realiza el experimento.
El participante identificará las principales características de la distribución

geométrica.

probabilidad de ésta distribución y mediante el empleo de Excel y Minitab.

probabilidad de la distribución geométrica, características de esta distribución,
resolución de ejercicios y problemas propuestos.
3.9.2 Función de probabilidad de la distribución geométrica.
Sea una serie de ensayos Bernoulli independientes, con probabilidad constante p de

un éxito, sea que la variable aleatoria X denota el número de ensayos hasta que
ocurre el primer éxito. Entonces X tiene una distribución geométrica cuya función de
probabilidad se denota por:
P(x) = qx-1p, para x = 1, 2,...
Donde:
P(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única vez.
p = probabilidad de éxito
q = probabilidad de fracaso
3.9.3 características de la distribución geométrica.
El parámetro que define la función de distribución de probabilidad es p.
La probabilidad de éxito p es constante de prueba a prueba.
Las pruebas son independientes.
Los resultados posibles son éxito o fracaso.

37
___________________________________________________________________________________________
La media de la distribución geométrica es E(X) =  = 1 / p.
La varianza de ésta distribución es V(X) = 2 = (1 - p) / p2
3.9.4 Ejemplos de aplicación de la distribución geométrica.
Ejemplo 1. Se lanza al aire una moneda cargada, ocho veces; de tal manera que la
probabilidad de que aparezca águila es de 2/3, mientras que la probabilidad de que
aparezca sello es de 1/3. Determine la probabilidad de que en el último lanzamiento
aparezca un águila.
Como lo que nos interesa es que aparezcan siete sellos seguidos y por último un
águila los resultados quedan de esta forma:
S S S S S S S A
Sí denotamos: x = 8 número de repeticiones del experimento necesarias para que

ocurra un éxito por primera y única vez.
p = probabilidad de que aparezca una águila = p (éxito) = 2/3

q = probabilidad de que aparezca un sello = p (fracaso) = 1/3
Entonces la probabilidad buscada será:
P (aparezca una águila en el último lanzamiento) =
P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(A) = qx -1 p
Resolviendo el problema del ejemplo que tenemos con la función de probabilidad es:
Datos:
x= 8
p = 2/3
q = 1/3
P (x = 8) = (1 / 3)8 -1 (2 / 3) = 0.0003048
Ejemplo 2. Si la probabilidad de que cierto dispositivo de medición, sufra una

desviación excesiva es de 0.05, cuál es la probabilidad de que:
a) El sexto de estos dispositivos de medición sometidos a prueba sea el primero en

mostrar una desviación excesiva.
Datos:
x= 6
p = 0.05
q = 0.95
P(x = 6) = (0.95)6 -1 (0.05) = 0.03869
38
___________________________________________________________________________________________
b) El quinto de estos dispositivos de medición sometidos a prueba, sea el primero

que no muestre una desviación excesiva.
x= 5
p = 0.95
q = 0.05
P(x = 5) = (0.05)5-1 (0.95) = 0.0000059
Ejemplo 3. Los registros de una compañía constructora de pozos, indican que la

probabilidad de que uno de sus pozos nuevos, requiera de reparaciones en el
término de un año es de 0.20.
¿Cuál es la probabilidad de que el quinto pozo construido por esta compañía en un

año dado sea el primero en requerir reparaciones en un año?
Datos:
x= 5
p = 0.20
q = 0.80
P (x = 5) = (0.80)5-1 (0.20) = 0.08192
Ejemplo 4. Los expedientes de una compañía de albercas indican que la

probabilidad de que una de las nuevas albercas requiera reparación en un plazo de
un año es 0.20. ¿Cuál será la probabilidad de que la sexta alberca construida en un
año determinado sea la primera en requerir reparación en ese lapso?
Datos:
x= 6
p = 0.20
q = 0.80
P (x = 6) = (0.80)6 -1 (0.20) = 0.0655
3.9.5 Ejercicios propuestos de la distribución geométrica.
1. Se sabe que en cierto proceso de fabricación, en promedio, una de cada 100

piezas está defectuosa. ¿Cuál es la probabilidad de que se inspeccionen cinco
piezas antes de encontrar la defectuosa?
2. La probabilidad de que una oblea contenga una partícula de contaminación grande

es 0.01. Si se supone que las obleas son independientes, ¿cuál es la probabilidad de
que sea necesario analizar exactamente 125 obleas antes de detectar una partícula
grande? R = 0.0029
3. Se estima que la probabilidad de que una persona instale un teléfono negro en

una casa es 0.3, ¿cuál será la probabilidad de que el décimo teléfono instalado sea
el primer teléfono negro? R = 0.0121
4. El tablero de un conmutador telefónico es de muy poca capacidad en cuanto al

tiempo de ocupado se refiere, de tal forma que las personas no pueden encontrar
39
___________________________________________________________________________________________
una línea desocupada para sus llamadas. Puede ser de interés saber el número de
intentos necesarios que se requieren para tener una línea disponible. Suponga que
p = 0.6 es la probabilidad de tener una línea durante la mayor congestión de
llamadas. Se tiene el interés particular de saber la probabilidad de que sean
necesarios cinco intentos para lograr la comunicación.
5. La probabilidad de que un estudiante para piloto apruebe el examen escrito para

obtener su licencia de piloto privado es de 0.77, encuentre la probabilidad de que una
persona apruebe el examen: a) En el tercer intento. b) En el quinto intento.
Apéndice 3.1 Empleo del software Minitab en algunas distribuciones discretas.
Minitab puede utilizarse para obtener la probabilidad para un valor en particular

P ( X  x) , así como la probabilidad acumulativa P ( X  x) , éstas, las proporciona
directamente. La probabilidad P ( X  x) se obtiene restándole a 1 el valor obtenido
en P ( X  x) .
Distribución Binomial.
Para ilustrar el empleo de Minitab tomemos el ejemplo 1 (inciso a) de la página 12,

de una máquina Cartell-bill que produce engranes defectuosos. Donde la
probabilidad requerida es P ( x  2) , el tamaño de muestra es 6 y la probabilidad de
éxito es p = 0.05. Los pasos a seguir son los siguientes.
1. Capturar 2 (probabilidad requerida) en el primer renglón y primera columna de la

hoja de trabajo (C1).
2. Seleccione el menú Calc.
3. Elegir Distribuciones de probabilidad.
4. Hacer clic en Binomial.
5. Cuando aparezca el cuadro de diálogo Distribución Binomial.

Hacer clic en Probabilidad.
Ingresar 6 en el cuadro Número de ensayos.
Ingresar 0.05 en el cuadro Probabilidad del evento.
Hacer clic en el cuadro Columna de entrada.
Ingresar C1 en el cuadro Columna de entrada.
Hacer clic en Aceptar.
Minitab le da la probabilidad de 0.0305440. Esto es la probabilidad para un valor en

particular, o sea la P ( x  2) .
Obtención de la función de probabilidad y la función de distribución de

probabilidad para diferentes valores de la variable aleatoria X.
40
___________________________________________________________________________________________
Para ilustrar el uso de Minitab tomaremos el ejemplo de la página 9 donde: el tamaño
de muestra es n = 6, la probabilidad de éxito es p = 0.2 y las probabilidades para la
variable aleatoria son x = 0, 1, 2, 3, 4, 5, 6.
Capturar en la columna C1 y C2 de la hoja de cálculo x y fx como se muestra a

continuación.
En la columna C1 capturar las probabilidades de la variable aleatoria x.
C1 C2
x fx
1 0
2 1
3 2
4 3
5 4
6 5
7 6
4. Hacer clic en Binomial.
5. Cuando aparezca el cuadro de diálogo Distribución Binomial.

Ingresar 6 en el cuadro Número de ensayos.
Ingresar C2 en el cuadro Almacenamiento opcional.
En la columna fx aparecen las probabilidades para cada valor de x. Para obtener la

función de distribución de probabilidad (gráfica) realice los pasos siguientes:
1. Seleccione el menú Gráfica.
2. Hacer clic Gráfica de dispersión.
3. Cuando aparezca el cuadro de diálogo Gráfica de dispersión.

Hacer clic en Simple.
4. Cuando aparezca el cuadro de diálogo Gráfica de dispersión simple.

Ingresar C2 en el cuadro Variables y.
Ingresar C1 en el cuadro Variables x.
Hacer clic en Etiquetas.
5. Cuando aparezca el cuadro de diálogo Gráfica de dispersión etiquetas.

41
___________________________________________________________________________________________
Capturar Función de distribución de probabilidad para n = 6 y p = 0.2 en el cuadro
de Título.
Hacer clic en Etiquetas de datos.
Hacer clic en Usar etiquetas de valor y.
Minitab le proporciona la gráfica para cada uno de los valores de x.
De manera análoga, usted puede obtener las gráficas para cualquier distribución de
probabilidad que desee, haciendo los cambios pertinentes en función de dicha
distribución.
Distribución Hipergeométrica.
Para ilustrar el uso de Minitab tomemos el ejemplo 4 de la página 21, de un

departamento de inspección de envíos que recibe en forma periódica lotes de ejes de
bombas. Donde la probabilidad solicitada es P ( x  1) , el tamaño de la población es
de 100, el número de unidades con la característica de interés es de 5 y el tamaño
de la muestra es de 10.
1. Capturar 1 (probabilidad requerida) en la celda C1 de la hoja de trabajo.
4. Hacer clic en Hipergeométrica.
5. Cuando aparezca el cuadro de diálogo Distribución Hipergeométrica.

Hacer clic en Probabilidad acumulada.
Ingresar 100 en el cuadro Tamaño de la población (N).
Ingresar 5 en el cuadro Conteo de eventos en la población (M).
Ingresar 10 en el cuadro Tamaño de la muestra (n).
Minitab le da la probabilidad de 0.923143. Esto es la probabilidad acumulada de que

x sea menor o igual a uno, o sea P( x  1) .
Distribución Poisson.
Para ilustrar el uso de Minitab tomemos el ejemplo 5 de la página 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x  2) y
el promedio es  = 3.6. Como Minitab no da la probabilidad mayor a un número,
tenemos que solicitar la probabilidad menor a ese número y posteriormente obtener
el complemento.
42
___________________________________________________________________________________________
Dado que la probabilidad requerida es P( x  2) , podemos obtenerla por 1  P ( x  1)

, ahora los pasos a seguir para obtener P( x  1) son:
4. Hacer clic en Poisson.
5. Cuando aparezca el cuadro de diálogo Distribución Poisson.

Hacer clic en Probabilidad acumulada.
Ingresar 3.6 en el cuadro Media.
Minitab da la probabilidad de 0.125689, esto es la probabilidad de que P ( x  1) .

Como queremos la P( x  2) , lo que tenemos que calcular ahora es 1  P ( x  1) o
sea 1 – 0.125689 = 0.8744311.
Distribución Geométrica.
Para ilustrar el uso de Minitab tomemos el ejemplo 3 de la página 39, sobre una
compañía constructora de pozos. Donde la probabilidad solicitada es P ( x  5) y la
probabilidad de éxito es p = 0.20.
4. Hacer clic en Geométrica.
5. Cuando aparezca el cuadro de diálogo Distribución Geométrica.

Minitab da la probabilidad de 0.08192, esto es la probabilidad para un valor en

particular de que P ( x  5) .
43
___________________________________________________________________________________________
Al estar trabajando con alguna distribución de probabilidad en particular y desea
realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra
al icono Editar último diálogo (Ctrl+E) de la barra de herramientas de Minitab.
Apéndice 3.2 Empleo de Excel en algunas distribuciones discretas.
Distribución Binomial.
Para ilustrar su utilización tomaremos el inciso a del ejemplo 1 que está en la página
12, de una máquina Cartell-bill que produce engranes defectuosos. Donde la
probabilidad requerida es P ( x  2) , el tamaño de muestra es 6 y la probabilidad de
éxito es p = 0.05. Los pasos a seguir son los siguientes.
1. Hacer clic en cualquiera de las celdas de la hoja de trabajo donde se desee el

resultado.
2. Hacer clic en Insertar función (fx).
3. Cuando aparezca el cuadro de diálogo Insertar función.

Seleccione Estadísticas en la ventana O seleccionar una categoría.
Seleccione DISTR. BIMON en la ventana Seleccionar una función
4. Cuando aparezca el cuadro de diálogo Argumentos de función.

Ingresar 2 en el cuadro Número de éxitos.
Ingresar 6 en el cuadro Ensayos.
Ingresar 0.05 en el cuadro Probabilidad de éxito.
Ingresar Falso en el cuadro Acumulado.
Excel le da la probabilidad de 0.03054398 que es la probabilidad deseada, o sea la

P( x  2) .
Distribución Hipergeométrica.
Para el cálculo de probabilidades en la distribución Hipergeométrica, Excel le dará

únicamente la probabilidad para un valor en particular, o se P ( X  x) .
Tomaremos el ejemplo 4 de la página 21, de un departamento de inspección de

envíos que recibe en forma periódica lotes de ejes de bombas. Donde la probabilidad
solicitada es P( x  1) , el tamaño de la población es de 100, el número de unidades
con la característica de interés es de 5 y el tamaño de la muestra es de 10.
Como Excel no proporciona probabilidades acumuladas, tenemos que sacar primero

la probabilidad P ( x  0) y posteriormente la probabilidad P ( x  1) . Para finalmente
sumar estas dos probabilidades.

44
___________________________________________________________________________________________
resultado.

Seleccione DISTR. IPERGEOM en la ventana Seleccionar una función

Ingresar 0 en el cuadro Muestra éxito.
Ingresar 10 en el cuadro Num de muestra.
Ingresar 5 en el cuadro Población éxito.
Ingresar 100 en el cuadro Num de población.
Excel le da la probabilidad de 0.58375237 que es la probabilidad de P ( x  0) . Ahora

vuelva a repetir todo el proceso, cambiando únicamente en el paso 4 en el cuadro
Muestra éxito a 1 en lugar de cero, y la probabilidad que le dará es
P ( x  1)  0.33939091. Por lo tanto P( x  1)  0.5838  0.3394  0.9232
Distribución Poisson.
Para ilustrar el uso de Excel tomemos el ejemplo 5 de la página 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x  2) y
el promedio es  = 3.6. Como Excel no da la probabilidad mayor a un número,
tenemos que solicitar la probabilidad menor a ese número y posteriormente obtener
el complemento.
Dado que la probabilidad requerida es P( x  2) , podemos obtenerla por 1  P ( x  1)

, ahora los pasos a seguir para obtener P ( x  1) son.

resultado.

Seleccione POISSON en la ventana Seleccionar una función

Ingresar 1 en el cuadro x.
Ingresar 3.6 en el cuadro Media.
Ingresar verdadero en el cuadro Acumulado.
45
___________________________________________________________________________________________
Excel le da la probabilidad de 0.12568912 que es la probabilidad de P ( x  1) , por lo
tanto la probabilidad requerida P( x  2) =1 – 0.1257 = 0.8743.
46

Distribuciones Disc. 2019 (Ing. Ind.)

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Distribuciones Disc. 2019 (Ing. Ind.)

Transféré par

Droits d'auteur :

Formats disponibles

Lic.

Vicente Sánchez y Ramírez

En esta unidad se realiza el estudio de ciertas distribuciones de probabilidad, con

El objetivo general de la unidad, es mostrar al alumno algunas de las distribuciones

Dentro de los objetivos particulares se contemplan:

El alumno sabrá describir las características más relevantes de las principales

El alumno sabrá obtener las probabilidades para las principales distribuciones

El tema contempla el estudio de las distribuciones de probabilidad: Binomial,

3.2 Variables aleatorias

En este tema se pretende que el participante conozca las características de las

Los subtemas a tratar son: variables discretas y continuas, función de probabilidad,

Una variable es una característica numérica de la población a la que en el

Una variables aleatoria discreta, es variable porque puede tomar diferentes

Observe que al pasar de un valor de la escala al siguiente, utilizamos números

La característica básica de las variables discretas es la igualdad entre sus

Las observaciones obtenidas a través de variables discretas son siempre exactas si

Como ejemplos de variables discretas tenemos:

 El número de personas en una conferencia.

Por ejemplo si medimos la estatura de algún individuo, cualquier medida observada

Como variables continuas tenemos la longitud, velocidad, tiempo, peso, temperatura,

 La lectura de la temperatura en un termómetro.

3.2.3 Variables aleatorias y distribuciones discretas de probabilidad.

En la mayoría de los experimentos de tipo repetitivo, y sobre todo en los de la vida

Para ilustrar la noción de una variable aleatoria, considérese el experimento de

AAA AAS ASA SAA ASS SAS SSA SSS

3.2.4 Función de probabilidad de la variable aleatoria X.

La función de probabilidad P(x) de la variable aleatoria X, proporciona la

P (0)  P(X=0) = 1/8

3.2.5 Función de distribución de probabilidad de la variable aleatoria X.

La Función de distribución de probabilidad de la variable aleatoria X, relaciona

P Histograma Gráfica de líneas

Yˆ  0.125  0.375 x  0.125 x 2

El valor de x = 0 en las gráficas debería de coincidir con el cruce de los ejes de

3.2.6 Función de distribución acumulativa de la variable aleatoria X.

La función de distribución acumulativa F(x), proporciona la probabilidad de que la

Del histograma anterior puede obtenerse la función de distribución acumulativa de X

F (0)  P(X  0) = 1/8

P (X > 2) = 1 – P (X  2) = 1 – F (2) = 1/8

P (X < 2) = P (X  1) = F (1) = 4/8

3.2.7 Esperanza de la variable aleatoria X.

En una población, la media aritmética es una medida de tendencia central que se

En el ejemplo que nos ocupa la media de la variable aleatoria X es:

E (x) =  = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 1.5

Si verificamos este valor en el histograma de la función de distribución de la variable

3.2.8 Varianza y desviación estándar de la variable aleatoria X.

Donde: V(X) =  2 = varianza de X.

Continuando con nuestro ejemplo la varianza de la variable aleatoria número de

Calculemos primero E(X2) o sea:

Si  = 1.5, por lo tanto la varianza será:

La dispersión esperada alrededor de la media es de 0.75 = ¾ águilas 2.

  VX   0.75  0.866 águilas.

3.3 Distribución binomial.

La distribución binomial es una de las funciones discretas de probabilidad más

Dentro de los objetivos particulares se encuentran:

El participante conocerá las principales características de la distribución binomial.

El participante obtendrá la probabilidad de un evento empleando: la función de

3.3.2 Función de probabilidad de la distribución binomial.

Llamemos p la probabilidad de éxito cada vez que el experimento se lleva a cabo y q

Suponga que el experimento se realiza n veces, y cada uno de estos es

1. Cada ensayo tiene únicamente dos resultados posibles “éxito y fracaso”.

Ejemplo. Sea un proceso de manufactura que produce un determinado artículo, en el

Definición. Sea X una variable aleatoria que representa el número de éxitos en n